論文の概要: ExeChecker: Where Did I Go Wrong?

• arxiv url: http://arxiv.org/abs/2412.10573v1
• Date: Fri, 13 Dec 2024 21:34:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:59:09.039079
• Title: ExeChecker: Where Did I Go Wrong?
• Title（参考訳）: ExeChecker: どこ行ったの?
• Authors: Yiwen Gu, Mahir Patel, Margrit Betke,
• Abstract要約: 本研究では,リハビリテーション演習の解釈のために,コントラスト学習ベースのフレームワークであるExeCheckerを提案する。 我々の研究は、人間のポーズ推定、グラフアテンションニューラルネットワーク、トランスフォーマーの解釈の領域における最先端の進歩の上に成り立っている。
• 参考スコア（独自算出の注目度）: 6.8870493335438105
• License:
• Abstract: In this paper, we present a contrastive learning based framework, ExeChecker, for the interpretation of rehabilitation exercises. Our work builds upon state-of-the-art advances in the area of human pose estimation, graph-attention neural networks, and transformer interpretablity. The downstream task is to assist rehabilitation by providing informative feedback to users while they are performing prescribed exercises. We utilize a contrastive learning strategy during training. Given a tuple of correctly and incorrectly executed exercises, our model is able to identify and highlight those joints that are involved in an incorrect movement and thus require the user's attention. We collected an in-house dataset, ExeCheck, with paired recordings of both correct and incorrect execution of exercises. In our experiments, we tested our method on this dataset as well as the UI-PRMD dataset and found ExeCheck outperformed the baseline method using pairwise sequence alignment in identifying joints of physical relevance in rehabilitation exercises.
• Abstract（参考訳）: 本稿では,リハビリテーション演習の解釈のためのコントラスト学習ベースのフレームワークであるExeCheckerを提案する。 我々の研究は、人間のポーズ推定、グラフアテンションニューラルネットワーク、トランスフォーマーの解釈の領域における最先端の進歩の上に成り立っている。 ダウンストリームタスクは、所定のエクササイズを行う間、ユーザに情報フィードバックを提供することで、リハビリを支援することである。 我々は、訓練中に対照的な学習戦略を利用する。 正しく、正しく実行されたエクササイズのタプルが与えられた場合、我々のモデルは、不正な動きに関与している関節を特定し、ハイライトすることができるので、ユーザの注意が必要である。 トレーニングの正しい実行と誤った実行の両方をペアで記録した、社内データセットであるExeCheckを収集しました。 実験の結果,UI-PRMDデータセットと同様に本手法を試験した結果,エクセシックはリハビリテーション運動における身体的関連性の関節の同定において,一対の配列アライメントを用いたベースライン法よりも優れていた。

関連論文リスト

• Learning Hand State Estimation for a Light Exoskeleton [50.05509088121445]
  そこで本研究では,光エクソスケトンを用いた手の状態推定手法を提案する。 本研究は,前腕の筋活動と外骨格の運動から得られる情報を用いて,手指の開度とコンプライアンスレベルを再構築する指導的アプローチを構築する。 我々のアプローチは本物の光のエクソスケルトンで検証されている。
  論文  参考訳（メタデータ） (2024-11-14T09:12:38Z)
• Efficient Grammatical Error Correction Via Multi-Task Training and Optimized Training Schedule [55.08778142798106]
  原文と修正文のアライメントを利用する補助タスクを提案する。 我々は,各タスクをシーケンス・ツー・シーケンス問題として定式化し,マルチタスク・トレーニングを行う。 トレーニングに使用されるデータセットの順序や、データセット内の個々のインスタンスでさえ、最終的なパフォーマンスに重要な影響を与える可能性があることが分かりました。
  論文  参考訳（メタデータ） (2023-11-20T14:50:12Z)
• Using Learnable Physics for Real-Time Exercise Form Recommendations [2.1548132286330453]
  本稿では,エクササイズ手法の問題点を診断し,修正レコメンデーションを提供するアルゴリズムパイプラインを提案する。 我々は、ポーズ認識にMediaPipeを使用し、ピークプロミネンス検出による反復数をカウントし、学習可能な物理シミュレータを用いて動きの進化を追跡する。
  論文  参考訳（メタデータ） (2023-10-11T06:11:11Z)
• Finding Similar Exercises in Retrieval Manner [11.694650259195756]
  与えられたエクササイズに対して同じようなエクササイズを見つける方法が,重要な技術的問題になります。 我々は「類似演習」を、リコール、ランキング、再ランクの手順に基づく類似演習の集合を見つけるための検索プロセスとして定義する。 運動の意味情報の包括的表現は,表現学習によって得られた。
  論文  参考訳（メタデータ） (2023-03-15T01:40:32Z)
• 3D Pose Based Feedback for Physical Exercises [87.35086507661227]
  ユーザが犯した誤りを識別する学習ベースのフレームワークを導入する。 私たちのフレームワークはハードコードされたルールに頼るのではなく、データからそれらを学ぶのです。 提案手法は90.9%の誤り識別精度を示し,94.2%の誤り訂正に成功した。
  論文  参考訳（メタデータ） (2022-08-05T16:15:02Z)
• Domain Knowledge-Informed Self-Supervised Representations for Workout Form Assessment [12.040334568268445]
  ラベルのないサンプルから運動特異的表現を学習することを提案する。 特に、ドメイン知識に基づく自己教師型アプローチでは、運動動作の調和運動を利用する。 自己教師型表現は,既成の2次元および3次元の配置推定器よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-28T18:40:02Z)
• An Empirical Study of Finding Similar Exercises [0.0]
  ラベルスカースデータセットのための中国語教育事前学習言語モデルBERT$_Edu$をリリースする。 エクササイズをよりよく理解するために、FSEタスクのための非常に効果的なMoE拡張マルチタスクモデルを提案する。
  論文  参考訳（メタデータ） (2021-11-16T09:39:14Z)
• Learning to Reweight with Deep Interactions [104.68509759134878]
  本稿では,教師モデルに内部状態を提供する改良型データ再重み付けアルゴリズムを提案する。 クリーン/ノイズラベルとニューラルマシン翻訳を用いた画像分類実験は、我々のアルゴリズムが従来の手法よりも大幅に改善されていることを実証的に実証した。
  論文  参考訳（メタデータ） (2020-07-09T09:06:31Z)
• How Useful is Self-Supervised Pretraining for Visual Tasks? [133.1984299177874]
  我々は、総合的な合成データセットと下流タスクにまたがる様々な自己教師付きアルゴリズムを評価する。 我々の実験は、利用可能なラベルの数が増えるにつれて、セルフスーパービジョンの有用性がどう変化するかについての洞察を提供する。
  論文  参考訳（メタデータ） (2020-03-31T16:03:22Z)
• DisCor: Corrective Feedback in Reinforcement Learning via Distribution Correction [96.90215318875859]
  ブートストラップに基づくQ-ラーニングアルゴリズムは必ずしも修正フィードバックの恩恵を受けないことを示す。 本稿では,この最適分布に対する近似を計算し,トレーニングに使用する遷移の重み付けに使用する新しいアルゴリズムであるDisCorを提案する。
  論文  参考訳（メタデータ） (2020-03-16T16:18:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。